資源描述：
《基于CEP和MSVM的質(zhì)量異常模式識別研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、廣東工業(yè)大學(xué)碩士學(xué)位論文（工學(xué)碩士）基于CEP和MSVM的質(zhì)量異常模式識別研究黃思猛二○一八年五月分類號：學(xué)校代號：11845UDC：密級：學(xué)號：2111505026廣東工業(yè)大學(xué)碩士學(xué)位論文（工學(xué)碩士）基于CEP和MSVM的質(zhì)量異常模式識別研究黃思猛指導(dǎo)教師姓名、職稱：程良倫教授學(xué)科(專業(yè))或領(lǐng)域名稱：計(jì)算機(jī)科學(xué)與技術(shù)學(xué)生所屬學(xué)院：計(jì)算機(jī)學(xué)院論文答辯日期：2018年5月28日ADissertationSubmittedtoGuangdongUniversityofTechnologyfortheDegreeofMaster（Maste
2、rofEngineeringScience）ResearchonAbnormalQualityPatternRecognitionBasedonCEPandMSVMCandidate:SimengHuangSupervisor:Prof.LianglunChengMay2018SchoolofComputerScienceandTechnologyGuangdongUniversityofTechnologyGuangzhou，Guangdong，P.R.China，510006摘要摘要制造物聯(lián)網(wǎng)是物聯(lián)網(wǎng)技術(shù)同制造業(yè)深度融合的新型制造
3、模式和服務(wù)模式，它可以提升我國制造企業(yè)的競爭力和影響力。這種模式在發(fā)展過程中仍然存在許多挑戰(zhàn)，如在網(wǎng)絡(luò)傳輸方面，資源受限、異構(gòu)網(wǎng)絡(luò)融合等嚴(yán)重影響著數(shù)據(jù)傳輸?shù)目煽啃?、?shí)時(shí)性；在數(shù)據(jù)處理方面，由于數(shù)據(jù)的海量多源、高時(shí)空關(guān)聯(lián)、時(shí)效性等具有特征，有限存儲和計(jì)算的限制不足以支撐數(shù)據(jù)的完全處理。而加工質(zhì)量實(shí)時(shí)監(jiān)控作為制造物聯(lián)網(wǎng)的可靠服務(wù)，需要在單位時(shí)間內(nèi)處理更多的質(zhì)量數(shù)據(jù)，從而更快的對質(zhì)量異常模式進(jìn)行識別。其中有關(guān)質(zhì)量控制圖的國內(nèi)外研究開始集中在使用人工智能算法進(jìn)行主動(dòng)識別，并通過對控制圖特征的提取和關(guān)鍵特征的篩選提升識別精度，但仍需考慮不同控制
4、圖模式的發(fā)生概率來調(diào)整分類結(jié)構(gòu)進(jìn)一步提升識別速度；除此之外，使用復(fù)雜事件處理技術(shù)從制造數(shù)據(jù)流中提取質(zhì)量數(shù)據(jù)也將進(jìn)一步提高質(zhì)量異常在線識別的整體識別速度。因此，本文結(jié)合多支持向量機(jī)(MSVM)和復(fù)雜事件處理(CEP)，著力提升制造物聯(lián)網(wǎng)中質(zhì)量異常模式在線識別效率，其主要研究工作有如下兩個(gè)方面：(1)分析智能化質(zhì)量控制的研究現(xiàn)狀和需求，提出了基于優(yōu)化特征選擇和動(dòng)態(tài)組合多支持向量機(jī)的生產(chǎn)過程質(zhì)量異常模式識別模型。采用該模型對生產(chǎn)過程進(jìn)行異常檢測時(shí)，采用relief和隨機(jī)森林算法進(jìn)行特征選擇，把提取后的特征子集作為根據(jù)異常模式發(fā)生概率動(dòng)態(tài)組合
5、的多支持向量機(jī)分類器的輸入，并使用粒子群算法對超參數(shù)進(jìn)行優(yōu)化，最終使用優(yōu)化后的分類器對質(zhì)量異常模式進(jìn)行識別，從而兼顧識別精度和識別速度。(2)使用復(fù)雜事件處理技術(shù)從制造數(shù)據(jù)流中提取質(zhì)量數(shù)據(jù)，針對數(shù)據(jù)流中的多個(gè)復(fù)雜事件查詢存在的共享現(xiàn)象，本文提出基于雙數(shù)組trie樹的多模式復(fù)雜事件檢測方法，構(gòu)建多模式匹配自動(dòng)機(jī)模型以減少復(fù)雜事件處理查詢過程中冗余的檢測和計(jì)算，并利用雙數(shù)組trie樹方法充分壓縮存儲空間，以更有效地從數(shù)據(jù)流中提取質(zhì)量數(shù)據(jù)。仿真實(shí)驗(yàn)表明，本文提出的質(zhì)量數(shù)據(jù)提取方案在兼顧檢測效率的同時(shí)減少一定的空間消耗；質(zhì)量異常識別模型相比于
6、傳統(tǒng)識別方法有更好的識別精度，而其識別結(jié)構(gòu)卻更為簡單并且隨發(fā)生概率進(jìn)行動(dòng)態(tài)調(diào)整，有助于在實(shí)際應(yīng)用中提升識別速度。關(guān)鍵詞：制造物聯(lián)網(wǎng)；模式識別；支持向量機(jī)；復(fù)雜事件處理I廣東工業(yè)大學(xué)碩士學(xué)位論文ABSTRACTManufacturingtheInternetofThingsisanewmanufacturingmodelandservicemodelthatdeeplyintegratestheInternetofThingstechnologyandthemanufacturingindustry.Itcanimprovethecom
7、petitivenessandinfluenceofmanufacturingcompaniesinChina.ButThismodelstillhasmanychallengesinthedevelopmentprocess.Forexample,intheaspectofnetworktransmission,constrainedresourcesandheterogeneousnetworkconvergenceseriouslyaffectthereliabilityandreal-timeofdatatransmissio
8、n.Intermsofdataprocessing,duetothecharacteristicsofmassivedatasources,highspatial-temporalcorrelation,andtimel
